LiDAR Camera Calibration (LCC)系列，主要介紹激光雷達相機外參標定相關內容。本文主要介紹相關的開源代碼和軟件，主要包括target-based和targetless兩類方法，每個方法對應標題后說明了方法的提出年份和開源代碼的語言（c : c++, p: python, m: matlab）。

Github同步更新：https://github.com/Deephome/Awesome-LiDAR-Camera-Calibration

▊1. target-based方法一般就是使用標定板，可以是一塊普通的矩形板，可以添加視覺效果（比如棋盤格，ArUco)，可以在矩形板上鏤空出特定形狀。

1.0 CamLaserCalibraTool (2004c)

主要參考了華盛頓大學2004年的論文，曠視提供了開源實現和博客解讀。2D激光雷達和相機標定。主要利用點到平面和邊緣的約束。詳情見曠視的博客和開源：

github：https://github.com/MegviiRobot/CamLaserCalibraTool 博客：https://zhuanlan.zhihu.com/p/137501892 參考論文：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.80.7118&rep=rep1&type=pdf

1.1 LCCT (2005m)

來自CMU Robotics Institute, 已知最早3D Laser與相機標定的工作（2005年），基于matlab的圖形用戶界面，進行激光雷達相機外參標定。 target-based方法，使用標定板，采集多個點云圖像對，在點云對應的深度圖(range image)上框選標定板平面區域，即可求解外參（兩階段）。 第一階段，分別最小化兩個坐標系中相機中心到平面距離和平面法向量的差異，依次線性求解平移和旋轉；第二階段，最小化point-to-plane距離，迭代求解。

官方網站：http://www.cs.cmu.edu/~ranjith/lcct.html 參考論文：https://www.ri.cmu.edu/pub_files/pub4/unnikrishnan_ranjith_2005_3/unnikrishnan_ranjith_2005_3.pdf

1.2 cam_lidar_calib (2010c)

來自密歇根大學，ROS / C++實現。

使用checkerboard,最少需要3個視圖。自動提取特征，圖像中提取checkerboard在相機坐標系中的法向量和距相機原點的距離，點云中提取checkerboard的平面點。

Github開源：https://github.com/SubMishMar/cam_lidar_calib 參考論文: http://robots.engin.umich.edu/publications/gpandey-2010a.pdf

1.3 lidar_camera_calibration (2017c)

來自印度IIIT Robotics Research Lab，ROS package (C++)實現, 介紹了兩種方法。第一種方法是基于2D-3D correspondence，采用中空矩形紙板作為目標，在圖像上手動標記角點2D像素，在點云中手動框選線段，利用直線相交求解3D角點，然后利用PnP+ransac求解外參。缺點是手動標記像素點，誤差較大。 第二種方法是基于3D-3D correspondence，與方法一主要區別是圖像中特征的提取。通過采用ArUco二維碼，可直接計算出角點在相機坐標系的3D坐標，然后利用ICP求解外參。

github開源：https://github.com/ankitdhall/lidar_camera_calibration 參考論文：https://arxiv.org/pdf/1705.09785v1.pdf

1.4 ILCC (2017p)

來自日本名古屋大學Nagoya University，python實現。完整流程如下：

該方法的3D角點提取方式比較獨特。基于點云反射強度和chessboard顏色模式的相關性，利用一個chessboard model來擬合（匹配）分割的點云，從而利用chessboard model的角點位置表示chessboard點云中角點位置。

github開源：https://github.com/mfxox/ILCC 參考論文：https://arxiv.org/pdf/1708.05514.pdf

1.5 plycal (2018c)

來自HKUST，C++實現。 采用要給矩形板作為target。首先對激光雷達和相機時間同步，圖像糾正。全自動地在圖像中提取矩形板角點和邊緣，在點云中提取矩形板的邊緣和平面點。矩形特征2D-3D匹配。采用point-to-line和point-inside-polygon約束進行優化。

github開源：https://github.com/ram-lab/plycal 參考論文：https://www.semanticscholar.org/paper/Extrinsic-Calibration-of-Lidar-and-Camera-with-Liao-Chen/c52748f676ff0b082db61a49dee2d15320519744

1.6 Matlab Lidar Toolbox (2018m)

target-based方法，使用了chessboard, 理論上采集一個pose就可以求解。特征提取分別自動提取chessboard在相機和激光雷達坐標系的平面和邊緣信息，利用line correspondence (direction constraint + point to line constraint)和plane correspondence (normal constraint + point to plane constraint)進行標定。

官方文檔：https://ww2.mathworks.cn/help/lidar/ug/lidar-and-camera-calibration.html 參考論文：http://www.cs.cmu.edu/~kaess/pub/Zhou18iros.pdf csdn博客：https://blog.csdn.net/qq_27339501/article/details/110224436只能使用matlab的lidar toolbox,看不到源代碼,該方法與plycal(2018c)的標定板點云特征提取方法類似。

1.7 extrinsic_lidar_camera_calibration （2020m）

來自 Robotics Institute, University of Michigan。matlab實現。 主要創新點是標定板點云的角點估計方法。假設在lidar原點有一個大小已知的參考標定板（reference target），希望標定板點云通過H變換后，與這個參考標定板盡量重合。優化求解H，將參考標定板角點反變換，即可得到點云中的角點位置。 之前方法采用先擬合邊緣再直線相交的思路，只利用了邊緣點，受點云深度測量誤差影響，最后提取的四個角點可能與target真實幾何不兼容。該方法的角點估計考慮了所有點，估計的四個角點也是與真實target形狀兼容。 該方法與ILCC(2017p)方法類似，都是通過與一個參考的標定板擬合，從而對標定板點云參數化建模，求得角點。只是ILCC利用了點云反射強度，本方法只利用點云幾何信息。

該開源代碼也實現了Matlab Lidar Toolbox (2018m)參考論文中點云邊緣提取的方法： 1）先ransac擬合平面 2）找到每條scanline的端點（邊緣點） 3）將標定板點云投影到擬合平面 4）擬合每條scan line 5）將邊緣點投影到擬合的scan line 6）用ransac擬合邊緣，去除邊緣點粗差

github開源：https://github.com/UMich-BipedLab/extrinsic_lidar_camera_calibration 參考論文：https://arxiv.org/pdf/1910.03126.pdf

1.8 livox_camera_lidar_calibration（2020c）

Livox官方提供的Lidar-Camera標定代碼，圖像和點云都是手動標點。

github開源//github.com/Livox-SDK/livox_camera_lidar_calibration

1.9 ACSC (2020p)

來自北航，python實現，針對固態激光雷達Livox. 提出多幀點云集成精化算法(temporal-spatial-based geometric feature refinement)和基于反射強度分布的角點估計方法(reflectance intensity distribution-based 3D corner estimation )。自動提取2D和3D角點，然后用基于Ransac的PnP求解。

github開源//github.com/HViktorTsoi/ACSC 參考論文：https://arxiv.org/abs/2011.08516

1.10 velo2cam_calibration （2021c）

來自 Intelligent Systems Lab (LSI), Universidad Carlos III de Madrid, Leganes, ROS + C++實現。可以將激光雷達、單目相機、立體相機進行任意成對標定。需要比較特殊的標定板：

github開源：https://github.com/beltransen/velo2cam_calibration 參考論文：https://arxiv.org/pdf/2101.04431.pdf

1.11 autoware

采用標定板的方法 (calibration_tookit， autoware1.10之后沒有)

github:https://github.com/XidianLemon/calibration_camera_lidar 博客:https://adamshan.blog.csdn.net/article/details/81670732 https://www.cnblogs.com/xiangzh/p/14137345.html 直接手動選點的方法 ：https://dlonng.com/posts/autoware-calibr-1最新版只有autoware_camera_lidar_calibrator， 直接手動選點的方法，在下文介紹。 使用標定板結果更準確一些，但是操作不方便。 1）需要手動grab多個關鍵幀 2）使用glviewer顯示點云，不好調整視角 3）需要手動選擇平面點云

▊2.targetless方法

2.1 apollo

是基于自然場景的targetless方法，不需要手動標記，但是需要較準確初值。

（一個比較好的標定場景，包含路燈，樹木，道路等物體） 注意：核心代碼沒有開源

github文檔//github.com/ApolloAuto/apollo/blob/master/docs/quickstart/apollo_2_0_sensor_calibration_guide.md csdn博客https://blog.csdn.net/learning_tortosie/article/details/82351553?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_baidulandingword-0&spm=1001.2101.3001.4242

2.2 autoware

沒有target,但是需要手動標記圖像和點云中的對應點，至少選擇9對。

github文檔：https://github.com/Autoware-AI/utilities/tree/master/autoware_camera_lidar_calibrator csdn博客：https://blog.csdn.net/learning_tortosie/article/details/82347694

2.3ExtrinsicCalib （2012c）

先將圖像進行灰度化和直方圖均衡化，得到灰度圖像，然后根據點云的反射強度和法向量特征將點云投影為圖像，使用標準化互信息衡量灰度圖像和點云生成圖像之間相關性。使用粒子群優化算法不斷改變外參，直到粒子收斂，達到標準化互信息的最大值。

論文：http://robots.engin.umich.edu/publications/gpandey-2012a.pdf 官網：http://robots.engin.umich.edu/SoftwareData/ExtrinsicCalib局限性：對于圖像，光照會影響像素亮度，且存在陰影問題；點云強度則不同，由于激光是主動式。因此，利用多視圖數據，可以盡量避免光照、陰影造成的噪聲，使誤差函數相對平滑，便于優化。

2.4CamVox (2020c)

來自南方科技大學。圖像先灰度化再提取邊緣，點云先分別得到反射強度圖和深度圖，再提取邊緣。通過ICP優化，求解最佳外參。

github//github.com/xuankuzcr/CamVox 論文：https://arxiv.org/pdf/2011.11357.pdf

2.4 livox camera calib （2020c）

來自香港大學。分別提取點云和圖像中的邊緣特征，然后匹配特征，最后優化求解最佳外參來更好地對齊點云邊緣和圖像邊緣。

論文：https://arxiv.org/pdf/2103.01627v2.pdf 作者：Chongjian Yuan (香港大學) Github//github.com/hku-mars/livox_camera_calib 論文詳細解讀請參考：https://blog.csdn.net/muyiyushan/article/details/118573929

審核編輯 ：李倩